如何使用就地操作打破 PyTorch autograd

Question

我试图更好地理解就地操作在 PyTorch autograd 中的作用。 我的理解是它们可能会导致问题，因为它们可能会覆盖后退步骤所需的值。

我正在尝试构建一个示例，其中就地操作破坏了自动微分，我的想法是在使用它来计算其他张量后覆盖反向传播期间所需的一些值。

我使用分配作为就地操作（我尝试了+=并得到了相同的结果），我以这种方式仔细检查了它是一个就地操作：

x = torch.arange(5, dtype=torch.float, requires_grad=True)
y = x
y[3] = -1
print(x)

印刷：

tensor([ 0.,  1.,  2., -1.,  4.], grad_fn=<CopySlices>)

---

这是我打破 autograd 的尝试：

1. 没有就地操作：

x = torch.arange(5, dtype=torch.float, requires_grad=True)
out1 = x ** 2
out2 = out1 / 10
# out1[3] += 100  
out2.sum().backward()
print(x.grad)

这打印

tensor([0.0000, 0.2000, 0.4000, 0.6000, 0.8000])

2. 使用就地操作：

x = torch.arange(5, dtype=torch.float, requires_grad=True)
out1 = x ** 2
out2 = out1 / 10
out1[3] = 0  
out2.sum().backward()
print(x.grad)

这打印：

tensor([0.0000, 0.2000, 0.4000, 0.6000, 0.8000])

我期待获得不同的毕业生。

• 项目分配是做什么的？ 我没有得到grad_fn=<CopySlices> 。
• 为什么它返回相同的毕业生？
• 是否有破坏 autograd 的就地操作的工作示例？
• 是否有非向后兼容的 PyTorch 操作列表？

Answer 1

破坏 autograd 的就地操作的工作示例：

  x = torch.ones(5, requires_grad=True)
  x2 = (x + 1).sqrt()
  z = (x2 - 10)
  x2[0] = -1
  z.sum().backward()

提高：

RuntimeError: one of the variables needed for gradient computation has been modified by an in-place operation: [torch.FloatTensor [5]], which is output 0 of SqrtBackward, is at version 1; expected version 0 instead. Hint: enable anomaly detection to find the operation that failed to compute its gradient, with torch.autograd.set_detect_anomaly(True).